购物篮分析基于“购买产品A的顾客很可能也会购买产品B”的理念，旨在发现购买行为间的关联（如买意大利面常配意面酱）。该模型既可应用于单品层面，也可用于商品组或类别层面。
大型零售商通常借助SAS、SPSS或R/Python等数据科学工具处理海量交易数据。但对于SKU较少且预算有限的小型零售商，手动分析同样可行。
本文将解析购物篮分析的基本原理。
小型数据集
产品较少的公司可进行手动分析：首先将所有包含产品组合的交易录入电子表格，再通过数据透视表列出最流行的组合。
将所有包含各种产品组合的交易录入电子表格，接着运行数据透视表以列出所有交易中最为流行的组合；在本例中，最流行的组合是T恤和牛仔裤，共有九笔交易。点击图片放大。
另一种方法虽更耗时，但能识别所有包含特定商品（如牛仔裤）及其他附加商品的交易。通过列出这些组合，商家可计算购买牛仔裤的顾客同时购买T恤、鞋子或皮带等商品的概率。
另一种方法虽然更耗时，但可识别所有包含牛仔裤及额外商品的交易，然后通过列出这些组合，商家可以计算购买牛仔裤的顾客同时购买T恤、鞋子或皮带等商品的概率。点击图片放大。
大型数据集
手动方法仅适用于少量产品。若拥有数百或数千种产品，需借助数据科学软件包进行分析，核心指标如下：
如果你有数百或数千种产品，你可能需要借助数据科学软件包来识别可能的产品组合。
- 支持度（Support）：指同时包含产品A和B的交易所占百分比，数值越高频率越高。例如，牛仔裤+T恤（0.131）最常见，鞋子+皮带（0.011）最不受欢迎。
- 置信度（Confidence）：指购买产品A的顾客同时购买产品B的概率。数值越高关联性越强。例如，牛仔裤+T恤置信度高（0.975），而帽子+袜子较低（0.124）。
- 提升度（Lift）：概括产品间关联程度，比支持度和置信度更利于决策。提升度越大，关联越强。例如，应重点在购物车推广牛仔裤时搭配T恤（提升度9.2），或搭配鞋子推广皮带（提升度8.2）。
潜在组合
多数组合直观易懂（如牙刷与牙膏），但也可能出现奇特的高提升度组合（如牛仔裤与烧烤盘）。建议先审查结果，排除商业逻辑不通的组合，再调整营销策略和页面布局。
部署前建议对布局和营销方法进行A/B测试，示例包括：
- 在同一页面将产品B置于产品A旁。
- 展示产品B与A的搭配效果（如薯片配鳄梨酱的图片）。
- 当产品A在购物车时，提供产品B优惠券并优化展示位。
- 向购买产品A的客户发送产品B优惠邮件。
其他用途
购物篮分析还可应用于电商业务的其他方面：
- 产品类别：审查现有类别以生成新创意。例如，泳装类别可衍生太阳镜系列，并进行交叉销售。
- 细分群体：按客户兴趣或人口/心理统计数据细分，而非仅关注产品。
- 内容营销：分析阅读指导性博客的用户是否也看榜单类文章，若是则推荐相关内容。
- 促销活动：测试对10%折扣有反应的顾客是否也对5美元直减感兴趣。